Wissenschaftliche Methodik & Datenschutz-Architektur
Detect Face Shape kombiniert klinische kraniofaziale Anthropometrie mit clientseitiger Computer Vision für eine objektive Gesichtsgeometrie-Klassifikation.
Biometrische Datenschutzgarantie ohne Server
Reine clientseitige Ausführung über WebAssembly & WebGL
Die meisten Gesichtsanalyse-Webtools verlangen den Upload hochauflösender Fotos auf Cloud-Server, wo neuronale Netze sie verarbeiten und speichern. Dies birgt erhebliche Datenschutz- und Sicherheitsrisiken.
detectfaceshape.app arbeitet mit einer vollständig serverlosen Architektur:
- Die Google MediaPipe Face Landmarker-Binärdateien und die WASM-Laufzeitumgebung werden strikt in Ihrer lokalen Browser-Sandbox ausgeführt.
- Alle hochgeladenen Fotos und Kamerabilder werden auf einem Offscreen-Canvas im flüchtigen Browserspeicher dekodiert und sofort nach der Klassifizierung gelöscht.
- Keinerlei Bilddaten, biometrische Koordinaten oder Vektoren werden jemals über ein Netzwerkkabel übertragen. Sie können nach dem Laden der Seite sogar das Internet trennen.
Kraniofaziale Anthropometrie & Wichtige Landmarken
Die Klassifizierung in detectfaceshape.app basiert auf der standardisierten medizinischen Anthropometrie nach Leslie G. Farkas. Statt zu raten, extrahiert unser Algorithmus 4 präzise Dimensionen aus 468 Koordinaten:
Trichion (10) bis Menton (152)
Der vertikale Abstand zwischen dem oberen Haaransatz und der Kinnspitze, der die Gesamtlänge des Gesichts bestimmt.
Zygion Links (234) bis Zygion Rechts (454)
Der maximale horizontale Abstand zwischen den Jochbögen, der die primäre horizontale Achse des Gesichts definiert.
Frontotemporale Links (127) bis Rechts (356)
Die horizontale Breite zwischen den Schläfen über der Stirn, entscheidend für Herz- und Dreiecksformen.
Gonion Links (58) bis Gonion Rechts (288)
Der Abstand zwischen den Kieferwinkeln des Unterkiefers, diagnostisch für quadratische und dreieckige Formen.
Akademische Referenzen & Zitationen
- Farkas, L. G. (1994). Anthropometry of the Head and Face (2nd ed.). New York: Raven Press. Standardisierte Messungen von Gesichtsproportionen und kraniofaziale Normwerte über diverse Populationen.
- Liu, Z., Lin, Y., Cao, Y., Hu, H., Wei, Y., Zhang, Z., Lin, S., & Guo, B. (2021). Swin Transformer: Hierarchical Vision Transformer using Shifted Windows. Proceedings of the IEEE/CVF International Conference on Computer Vision (ICCV), 10012–10022.
- Lugaresi, C., et al. (2019). MediaPipe: A Framework for Building Perception Pipelines. arXiv preprint arXiv:1906.08172. Google Research.